مطالب پربازدید

1404/07/10 - 08:30- جنگ سایبری

«حملات تخریبی» به کشور۳ برابر شد/ افشای نام «اهداف اصلی» حملات هکرها

بر اساس داده‌های گزارش سالانه گراف، هوش مصنوعی مولد (GenAI) چشم‌انداز تهدیدات ایران را در سال ۱۴۰۳ دگرگون کرد؛ جایی که حملات با LLMJacking، باج‌افزار و فریب‌های پیشرفته، نهادهای دولتی و آموزشی را در کانون هدف قرار دادند.

1404/08/05 - 14:27- جنگ سایبری

اسرار نظامی و اطلاعات سری پدافند لیزری اسرائیل به دست هکرها افتاد

گروه هکری جبهه پشتیبانی سایبری «الجبهة الإسناد السيبرانية» اعلام کرد که با نفوذ به شرکت نظامی مایا، به اطلاعات محرمانه پدافند پیشرفته لیزری Iron Beam و تعداد زیادی از سلاح‌های پیشرفته اسرائیل دست یافته است.

1404/08/04 - 13:09- جنگ سایبری

افشای اطلاعات حساس وزارت جنگ رژیم صهیونیستی توسط گروه هکری جبهه پشتیبانی سایبری

گروه هکری «الجبهة الإسناد السيبرانية» با نفوذ به شرکت پوششی «مایا» وابسته به وزارت دفاع رژیم صهیونیستی، اطلاعات محرمانه‌ای از پروژه‌های نظامی این رژیم از جمله سامانه دفاع لیزری، پهپاد و موشک‌ها را فاش کرد.

سما سمیعیان

انتشار شده در تاریخ 1399/05/26 - 18:52

روش رادیومیک سی‌تی مبتنی بر یادگیری ماشینی

روش رادیومیک سی‌تی (CT) مبتنی بر یادگیری ماشینی برای پیش‌بینی مدت بستری در بیمارستان برای بیماران دارای عفونت‌های ریوی «SARS-CoV-2» استفاده می‎شود.

به گزارش کارگروه فناوری اطلاعات سایبربان؛ روش رادیومیک سی‌تی (CT) مبتنی بر یادگیری ماشینی برای پیش‌بینی مدت اقامت در بیمارستان برای بیماران دارای عفونت‌های ریوی «SARS-CoV-2» استفاده می‎شود. در این خصوص آن ترانسل مِد (Ann Transl Med) مقاله‌ای نوشته که به شرح زیر است :

چکیده

پیش‌زمینه : بیماری کووید-19، ویروس کرونا، از دسامبر سال گذشته به یک چالش جهانی تبدیل شده است؛ بستری در بیمارستان یکی از شاخص‌های اصلی برای بررسی بیماری است و مدل پیش‌بینی آن بر اساس ویژگی‌های رادیومیک سی‌تی برای ارزیابی نتیجه بالینی بیماران مهم است. هدف این مطالعه، توسعه و آزمایش مدل‌های رادیومیک سی‌تی مبتنی بر یادگیری ماشینی برای پیش‌بینی مدت زمان بستری در بیمارستان مربوط به بیماران مبتلا به عفونت‌های ریوی بیماری کووید-19 است.

روش‌ها : این مطالعه با نگاهی به گذشته، بیماران مبتلا به عفونت SARS-CoV-2 تأیید شده آزمایشگاهی و تصاویر CT اولیه آنها از 5 بیمارستان تعیین شده در آنكانگ (Ankang)، لیشوی (Lishui)، لانژو (Lanzhou)، لینكشیا (Linxia) و ژنجیانگ (Zhenjiang) بین 23 ژانویه تا 8 فوریه 2020 را بررسی می‌کند.

بیماران در دسته‌های کوتاه‌مدت (کمتر از 10 روز) و بلندمدت (بیش از 10 روز) بستری در بیمارستان طبقه‌بندی می‌شوند؛ مدل‌های رادیومیک سی‌تی مبتنی بر بازگشت لجستیک (LR) و جنگل تصادفی (RF) براساس ویژگی‌های ضایعات ریوی در 4 مرکز اول توسعه داده شدند. عملکرد پیش‌بینی در مرکز پنجم (مجموعه داده‌های آزمایش) در سطح لوب و بیماران ریه ارزیابی شد.

نتایج : در مجموع، 52 بیمار از بیمارستان‌های معین مورد بررسی قرار گرفتند؛ از 20 فوریه امسال، 21 بیمار در بیمارستان بستری بودند یا هیچ موردی در سی‌تی آنها یافت نشد. بنابراین، 31 بیمار با 72 بخش ضایعه تجزیه و تحلیل شدند. مدل‌های رادیومیک سی‌تی براساس 6 ویژگی مرتبه دوم در تشخیص بستری‌های کوتاه و بلند مدت بیماران مبتلا به کووید-19 با مناطقی با نمودارهای 0.97 (98 درصد CI, 0.83-1.0) و 0.92 (95 درصد CI, 0.67-1.0) به ترتیب با LR و RF مؤثر بودند. این 2 مدل حساسيت و ويژگی 1.0 و 89/0، 75/0 و 1.0 در آزمون را نشان دادند. از 28 فوریه سال جاری، 6 بیمار مرخص شده با استفاده از مدل‌های RF و LR به‌طور صحیح به عنوان بستری طولانی مدت تشخیص داده شدند.

نتیجه‌گیری : ویژگی‌ها و مدل‌های رادیومیک سی‌تی مبتنی بر یادگیری ماشینی، امکان‌سنجی و دقت را برای پیش‌بینی بستری در بیمارستان برای بیماران مبتلا به بیماری کووید-19 نشان دادند.